Πώς παίρνετε τις καλύτερες εικόνες από το Qwen-Image 2.1;

Τι είναι το Qwen-Image 2.1

Το Qwen-Image 2.1 είναι ένα checkpoint για δύο δουλειές: τη δημιουργία εικόνας από κείμενο και την επεξεργασία μιας υπάρχουσας εικόνας από μια πρόταση και έως δέκα εικόνες αναφοράς. Το κομμάτι της δημιουργίας είναι ένας diffusion transformer 7 δισεκατομμυρίων παραμέτρων σε ζεύγος με έναν κωδικοποιητή κειμένου Qwen3-VL 8B, το αρχείο που φορτώνει γι' αυτόν το ComfyUI. Ένα γλωσσικό μοντέλο ως κωδικοποιητής είναι αυτό που του επιτρέπει να διαβάζει ολόκληρες προτάσεις, οδηγίες διάταξης και λέξεις σε εισαγωγικά αντί για λίστες λέξεων-κλειδιών, και οι δοκιμές μας το επιβεβαιώνουν. Βγάζει επίσης εικόνες με πραγματικό κανάλι άλφα όταν το prompt ζητά διαφανές φόντο.

Η Qwen παρουσιάζει το 2.1 ως βελτιωμένο στις υφές, στην τυπογραφία και στον φωτισμό πορτρέτων, και δουλεύει σε εγγενές 2K: 2048 × 2048 για τετράγωνο, 2528 × 1696 για 3:2, 2752 × 1536 για 16:9, χωρίς upscaler. Το τίμημα είναι ο χρόνος. Σε κάρτα καταναλωτικής κατηγορίας με 16 GB μνήμης βίντεο, τα βάρη int8 δίνουν εικόνα 1 megapixel σε περίπου 40 δευτερόλεπτα και εικόνα 4 megapixel σε περίπου τεσσεράμισι λεπτά με τις παρακάτω ρυθμίσεις.

Πριν από οτιδήποτε άλλο: τα βάρη διατίθενται με την Qwen Research License, μόνο για έρευνα και αξιολόγηση, και κάθε εμπορική χρήση χρειάζεται ξεχωριστή άδεια από την Qwen. Το πρώτο Qwen-Image, που κυκλοφόρησε τον Αύγουστο του 2025, ήταν Apache 2.0· το 2.1 όχι.

Πώς να γράψετε prompt για το Qwen-Image 2.1

Γράψτε προτάσεις, όχι ετικέτες. Ο κωδικοποιητής κειμένου είναι γλωσσικό μοντέλο: διαβάζει τη σειρά των λέξεων, τις προθέσεις και τα εισαγωγικά, και παίρνει τα πάντα κυριολεκτικά. Ένα «lighthouse cat» γίνεται μια γάτα ζωγραφισμένη πάνω σε φάρο. Η δομή που μας έδωσε τα καλύτερα αποτελέσματα σε περίπου χίλιες εικόνες είναι η παρακάτω, με αυτή τη σειρά.

• Μέσο και θέμα πρώτα: «An art nouveau illustration of Motoko Kusanagi standing in falling cherry blossoms». Το μέσο που ορίζεται στην αρχή χρωματίζει ό,τι ακολουθεί.
• Σκηνικό: τόπος, εποχή, καιρός, ή ό,τι γεμίζει τον αέρα. «in falling cherry blossoms», «in the 1980s», «during a blizzard».
• Φως με την κατεύθυνσή του: «lit from the front by soft diffuse light, with gentle shadows». Η κατεύθυνση ακολουθείται· ένα σκέτο «dramatic light» όχι.
• Κάδρο: «close-up of the subject, looking at the viewer», medium shot, από ψηλά, το θέμα μικροσκοπικό μέσα σε απέραντο τοπίο.
• Υλικά και παλέτα: «flowing ink lines, flat gold leaf background, muted jade and plum». Αυτό είναι που αποδίδει καλύτερα το μοντέλο στα 2K.
• Περιορισμοί, γραμμένοι μέσα στο prompt: «no lettering, no watermark», «five fingers on each hand». Με καθοδήγηση 1 το αρνητικό prompt αγνοείται, οπότε πρέπει να τους κουβαλά το ίδιο το prompt.

Ολόκληρο το prompt της παραπάνω εικονογράφησης, με αυτή τη σειρά: An art nouveau illustration of Motoko Kusanagi standing in falling cherry blossoms, a halo of circuit traces around her head like a stained glass window. Lit from the front by soft diffuse light, with gentle shadows. Close-up of the subject, looking at the viewer. Rendered with flowing ink lines, flat gold leaf background, muted jade and plum, fine ornamental borders. The atmosphere is calm and melancholic. Natural proportions, the face in focus. No text, no watermark.

Το κείμενο δουλεύει όταν είναι σε εισαγωγικά και τοποθετημένο: το «a banner above the door reads 'OPEN ALL NIGHT'» βγαίνει σωστό σχεδόν κάθε φορά, με κεφαλαία ή όχι. Ισχύει και το αντίστροφο: μια βιτρίνα, ένα diner ή μια αίθουσα ηλεκτρονικών χωρίς ζητούμενο κείμενο θα βγάλει μια επινοημένη επιγραφή, οπότε πείτε «no lettering» όποτε η σκηνή περιέχει πρόσοψη. Οι χαρακτήρες που το μοντέλο δεν γνωρίζει αντικαθίστανται από έναν σωσία χωρίς προειδοποίηση: ο Marsupilami έγινε μαϊμού, ενώ η Mothra και ο Marvin the Martian βγήκαν σωστά. Κάθε κάρτα Qwen στη σελίδα μας με τα παραδείγματα prompt ακολουθεί αυτή τη δομή, με το seed, το μέγεθος και τις ρυθμίσεις της.

Ρυθμίσεις που δουλεύουν, μετρημένες

Το επίσημο πρότυπο του ComfyUI τρέχει με καθοδήγηση (CFG) 1 και 25 βήματα, και η κάρτα του μοντέλου χρησιμοποιεί 40 βήματα. Εμείς διαλέξαμε υψηλότερη καθοδήγηση. Στην τελευταία δοκιμή, στις 16 Οκτωβρίου 2026, με τα ίδια seed, αυτές οι ρυθμίσεις έδωσαν τις πιο λεπτομερείς και τις πιο πιστές εικόνες:

Η καθοδήγηση είναι η μόνη ρύθμιση που δεν αλλάζει τη σκηνή: με το ίδιο seed και μέγεθος, CFG 1 και CFG 3 δίνουν σχεδόν την ίδια σύνθεση, και αυτό που διαφέρει είναι η απόδοση. Στο CFG 1 η εικόνα είναι πιο επίπεδη και χάνει τη λεπτή υφή: οι βελονιές του κεντήματος γίνονται ύφασμα, ένα πρόσωπο καρτούν χάνει τις κόρες και το στόμα του, το μέταλλο χάνει τα πριτσίνια του. Το ανέβασμα του CFG 1 στα 30 βήματα φέρνει πίσω την ευκρίνεια αλλά όχι τα υλικά ούτε την αντίθεση· τα 40 βήματα στα 2 megapixel είναι καθαρά αλλά παραμένουν πιο επίπεδα, και διάβασαν το prompt λιγότερο αξιόπιστα. Το APG εμποδίζει το CFG 3 να υπερκορεστεί, και το FreSca οξύνει τις υψηλές συχνότητες· και τα δύο δρουν μόνο όταν η καθοδήγηση είναι πάνω από 1.

Το κόστος της καθοδήγησης πάνω από 1 είναι ένα δεύτερο πέρασμα ανά βήμα: το CFG 1 είναι δύο φορές πιο γρήγορο. Στην κάρτα μας αυτό σημαίνει 120 έως 135 δευτερόλεπτα έναντι 255 έως 275 για εικόνα 4 megapixel, και βρήκαμε ότι το πιο αργό άξιζε τον κόπο σε καθένα από τα δέκα ζεύγη δοκιμής.

Ανάλυση και βήματα: τι αλλάζει την εικόνα

Δύο πράγματα μας εξέπληξαν. Η αλλαγή μεγέθους δεν μεγεθύνει την ίδια εικόνα, παράγει μια άλλη λήψη του ίδιου seed. Το πέρασμα από το 1 megapixel στα 2.5 ή στα 4 μάς έδωσε πάντα διαφορετική εικόνα· ανάμεσα στα 2.5 και στα 4 megapixel η σύνθεση κράτησε σε οκτώ ζεύγη στα δέκα, όπως στην παρακάτω εικονογράφηση, όπου μετακινήθηκαν μόνο οι λεπτομέρειες: στα 2.5 megapixel οι διαδρομές κυκλωμάτων άφησαν το φωτοστέφανο για τα μαλλιά. Η αλλαγή του αριθμού βημάτων αλλάζει επίσης την εικόνα μόλις η διαφορά μεγαλώσει: 20 και 25 βήματα δίνουν σχεδόν την ίδια εικόνα, τα 16 βήματα ξεφεύγουν. Δεν υπάρχει λοιπόν τρόπος να κάνετε προεπισκόπηση στο 1 megapixel και να αποδώσετε την ίδια εικόνα μεγαλύτερη. Διαλέξτε πρώτα το μέγεθος, μετά το seed.

Χρόνοι μετρημένοι με CFG 3, APG και FreSca, βάρη int8, σε μία κάρτα καταναλωτικής κατηγορίας 16 GB:

Στα 2.5 megapixel η λεπτομέρεια είναι λίγο πιο μαλακή απ' ό,τι στα 4 όταν συγκρίνετε την ίδια περιοχή στο 100 %, αλλά το μοντέλο ακολουθεί το στυλ του prompt τουλάχιστον εξίσου καλά, και στα δέκα ζεύγη δοκιμής μας μερικές φορές καλύτερα: ένα κέντημα κράτησε τις ορατές βελονιές του στα 2.5 megapixel και έγινε φωτογραφία στα 4. Για γκαλερί που σερβίρεται στα 1024 pixel, τα 2.5 megapixel με 20 βήματα είναι το ιδανικό σημείο. Για εκτύπωση, 4 megapixel με 20 βήματα.

Επιταχύνσεις: το επίσημο Turbo, μετρημένο

Το πρώτο Lightning LoRA. Το Qwen-Image-Lightning LoRA 8 βημάτων του 2025 εκπαιδεύτηκε στο πρώτο Qwen-Image, του οποίου τα επίπεδα attention έχουν πλάτος 3072. Το Qwen-Image 2.1 χρησιμοποιεί 4096. Το ComfyUI τυπώνει ένα σφάλμα για κάθε βάρος attention, τα παραλείπει και αποδίδει το γυμνό μοντέλο σε 8 βήματα: αρκετά ευκρινές με την πρώτη ματιά, αλλά δεν παίρνετε το LoRA, και μια εικόνα 8 βημάτων από μη αποσταγμένο μοντέλο δεν είναι αυτό που θέλατε.

Το επίσημο Turbo. Η Qwen κυκλοφόρησε το Qwen-Image-2.1-Turbo στις 9 Οκτωβρίου 2026: ένα αποσταγμένο checkpoint που τρέχει σε 8 βήματα με CFG 1 και σταθερό πρόγραμμα sigma, που η Comfy-Org διαθέτει ως αρχείο int8 και ως LoRA για το βασικό μοντέλο, με δικά του πρότυπα στο ComfyUI. Το μετρήσαμε στις 17 Οκτωβρίου με τα ίδια δέκα seed και μεγέθη με τις αποδόσεις μας σε CFG 3, με το ακριβές γράφημα του προτύπου.

Επτά φορές πιο γρήγορο στα 4 megapixel, τέσσερις στο 1, και οι εικόνες είναι καθαρές: ευκρινείς, καλοφωτισμένες, χωρίς ολισθήματα ανατομίας στα δέκα seed μας, με το κείμενο σωστό εκεί όπου το πετυχαίνει το βασικό μοντέλο. Τα αντικείμενα του prompt είναι εκεί, μερικές φορές καλύτερα απ' ό,τι με το βασικό μοντέλο: η χελώνα στο αγωνιστικό της αυτοκίνητο, που το βασικό μοντέλο είχε παραλείψει σε κάθε μία από τις αποδόσεις μας, εμφανίστηκε με το Turbo. Αυτό που χάνει είναι το μέσο. Το αποσταγμένο μοντέλο γλιστρά προς τον φωτογραφικό ρεαλισμό ό,τι κι αν ζητά το prompt: ένα κέντημα κροκόδειλου έγινε φωτογραφία κροκόδειλου, ένα σχέδιο με κάρβουνο έχασε τον κόκκο του, ένας Marvin the Martian από κομμένο χαρτί έγινε βινυλικό παιχνίδι. Οι επινοημένες επιγραφές στις προσόψεις είναι ίδιες με του βασικού μοντέλου. Το LoRA πάνω στο βασικό checkpoint δίνει τις ίδιες εικόνες με το checkpoint Turbo, απλώς πιο αργά, οπότε το checkpoint είναι αυτό που πρέπει να κατεβάσετε. Ένα seed δίνει διαφορετική εικόνα από το βασικό μοντέλο, όπως με κάθε αλλαγή μεγέθους, και η άδεια είναι η ίδια, μόνο για έρευνα και αξιολόγηση.

Η δική μας χρήση του: λειτουργία προσχεδίου. Επτά φορές περισσότεροι υποψήφιοι την ώρα για το ξεδιάλεγμα, και η τελική απόδοση με CFG 3 για οτιδήποτε ζωγραφισμένο, σχεδιασμένο ή χειροποίητο. Για φωτογραφικά prompt το αποτέλεσμα του Turbo είναι συχνά αρκετά καλό όπως είναι.

Άλλες αποστάξεις. Η LightX2V δημοσίευσε ένα Lightning LoRA 4 βημάτων για το 2.1 στις 13 Οκτωβρίου 2026, και υπάρχει επίσης ένα κοινοτικό LoRA 8 βημάτων, το Turbo8· και τα δύο τρέχουν με CFG 1 όπως το επίσημο Turbo. Δεν τα έχουμε μετρήσει.

Ο κόμβος της προσωρινής μνήμης προθέματος. Ο κόμβος QwenImage21Cache του ComfyUI ορίζει μόνο τη συσκευή και την ακρίβεια της προσωρινής μνήμης που το μοντέλο ήδη κρατά· με τις προεπιλογές του δεν αλλάζει τίποτα. Η λειτουργία int8 μειώνει στο μισό την προσωρινή μνήμη και βοηθά όταν η μνήμη στενεύει στα 2K ή στην επεξεργασία με πολλές εικόνες αναφοράς. Δεν είδαμε καμία ορατή απώλεια με αυτήν.

Λιγότερα βήματα. Τα 16 βήματα εξοικονομούν περίπου το ένα πέμπτο του χρόνου αλλά αλλάζουν τη σύνθεση και δεν κερδίζουν ευκρίνεια σε σχέση με τα 20. Αν ο χρόνος είναι ο περιορισμός, χαμηλώστε πρώτα το μέγεθος και μετά τα βήματα.

Εκτέλεση του Qwen-Image 2.1 τοπικά

Το ComfyUI υποστηρίζει το μοντέλο εγγενώς. Τρία αρχεία πάνε στους συνηθισμένους φακέλους: το μοντέλο διάχυσης στον diffusion_models, ο κωδικοποιητής κειμένου Qwen3-VL στον text_encoders, το VAE στον vae. Οι εκδόσεις int8 που δημοσίευσε η Comfy-Org είναι αυτές που πρέπει να πάρετε σε κάρτα 16 GB: τα βάρη bf16 δουλεύουν επίσης αλλά ξεχειλίζουν στη μνήμη του συστήματος και παίρνουν δύο έως έξι φορές περισσότερο χρόνο για πανομοιότυπες εικόνες.

Το γράφημα είναι σύντομο: UNETLoader, CLIPLoader με τύπο qwen_image, VAELoader, ο κόμβος TextEncodeQwenImage21, που παίρνει μαζί το prompt και το αρνητικό prompt και βγάζει και τα δύο conditioning, ένα κενό latent στο επιλεγμένο μέγεθος, μετά APG και FreSca στη διαδρομή του μοντέλου, ένας KSampler με CFG 3, euler και scheduler simple, και VAEDecode. Για διαφανή εικόνα, τυλίξτε το θέμα στη μορφή που συνιστά η κάρτα του μοντέλου: «This is an RGBA image with transparency. [the subject]. The image has alpha channel and the background is transparent.», και αποθηκεύστε ως PNG.

Μνήμη: το μοντέλο int8, ο κωδικοποιητής και το VAE χωρούν σε 16 GB στο 1 megapixel με άνετο περιθώριο· τρέξαμε 4 megapixel με την προσωρινή μνήμη προθέματος σε int8 και δεν μείναμε ποτέ από μνήμη. Η πρώτη εικόνα μιας συνεδρίας παίρνει περισσότερο χρόνο όσο φορτώνονται τα αρχεία.